Analys av data

För att analysera empirisk data användes mjukvaran SPSS (Bryman & Bell 2011). SPSS är ett dataprogram som förser med en omfattande uppsättning av flexibla verktyg, ett program som används för att kalkylera en mängd dataanalytiska uppgifter för att bedriva forskning. Fördelen med att använda sig utav SPSS är programmets förmåga till att kunna utföra komplicerade statistiska uträkningar från stora datamängder (Einspruch 2005). Vid detta moment i arbetsprocessen var det av stor vikt att överväga och förstå hur eventuella felsteg - felhantering av data och kodning av den - kunde leda till felkällan bearbetningen av data (Bryman & Bell 2011).

Innan olika analytiska uträkningar kan ske, krävs det att olika variabler först definieras (Griffith 2007), vilket för denna studie var interiör, kommunikation och ergonomi som oberoende samt värden, kultur och syfte som beroende. Den data som sedan samlades in för dessa variabler erhölls genom svaren från studiens enkät. Respondenternas svar utgjordes av den sjugradiga Likertskalan som genom kodning fördes in i SPSS. I denna studie kodades svaren från

Likertskalan som intervallvariabler vilket innebär att avståndet mellan varje variabel är lika stor. Kontrollvariablerna, det vill säga; företag, ålder, anställningsperiod samt arbetstimmar per vecka kodades till ordinalvariabler vilket betyder att svarsalternativen är kategoriserade (Bryman & Bell 2011). Vidare kodades kontrollvariabeln kön som dikotom variabel då de endast bestod av två svarsalternativ (cf. Bryman & Bell 2011). Dessa variabler användes för att kontrollera om de beroende variablerna var beroende av ytterligare oberoende variabler än de uttalade hypoteserna (kontorsmiljöns oberoende variabler). För att analysera resultaten tillämpades en univariat analys och en multivariat analys. Vidare användes analysmodellen Cronbach’s alpha för mätning av reliabiliteten.

3.7.1 Univariat analys

Vid analys av kontrollvariablerna användes en univariat analys. En sådan analys syftar till att analysera en separat variabel. Detta kan illustrerats i en så kallad frekvenstabell, som redogör den procentuella andelen respondenter som tillhör de kategorier som finns för den aktuella variabeln (Bryman & Bell 2011). Genom denna analys kunde statistik erhållas angående fördelningen av företag, ålder, kön, anställningsperiod samt arbetstimmar per vecka.

3.7.2 Multivariat analys

För att kunna analysera samband mellan variabler finns det olika typer av analyser att tillgå; bivariat samt multivariat analys. En bivariat analys kan endast användas för att analysera relationen mellan två variabler. I en multivariat analys analyseras det hurvida tre eller fler variabler är relaterade till varandra (Bryman & Bell 2011). För att undersöka hypoteserna tillämpades en hierarktisk regressionsanalys som är en typ av multipel regressionsanalys (cf. Ghauri & Grønhaug 2005).

3.7.3 Regressionsanalys

Med den så kallade multipla regressionsanalysen kan fler än två variabler undersökas samtidigt. Detta kan bland annat användas för att kontrollera andra oberoende variabler vid utvärdering av en specifik variabel eller grupp variabler (Malhotra & Birks 2003). Syftet är att göra analysen mer realistisk och förklara variansen i den beroende variabeln (Ghauri & Grønhaug 2005). Denna analys valdes för att kunna säkerställa att variationen i sambanden inte var beroende av kontrollvariablerna. Vidare är regressionsanalys väl lämpad vid mätning av variabler (Ghauri & Grønhaug 2005), då den mäter huruvida sambandet mellan den oberoende variabeln och den beroende variabeln är signifikant eller inte, styrkan i sambandet samt att den kan förutse värden hos den beroende variabeln (Malhotra & Birks 2003). Den statistiska signifikansen i denna studie var relevant vid värden under 0,05, stark vid värden under 0,01 och mycket stark vid värden under 0,001.

Specifikt för den hierarkiska regressionsanalysen är att varje oberoende variabel appliceras i ordningen som baserats på den teoretiska grunden. Därmed gick det att undersöka hur mycket varje oberoende variabel relaterade till den beroende variabeln efter det att föregående variabler kontrollerades. Detta gjorde det möjligt att genom utvalda kontrollvariabler, undersöka huruvida dessa hade en inverkan på sambandet, samt det separata värdet för varje variabel (cf. Pallant 2011). Analysen delades upp i två modeller. I Modell 1 inkluderades endast kontrollvariablerna och i Modell 2 applicerades även den specifika oberoende variabeln för respektive hypotes. I regressionsmodellen genomfördes därefter följande analyser:

3.7.3.1 Multikollinearitet

Ett multikollinearitet-test genomfördes för att kontrollera den delade variansen mellan de oberoende variablerna. Om värdet i denna är för högt innebär det problem då det inte går att kontrollera vilken av variablerna som ger effekt på den beroende variabeln. Ett lågt värde indikerar däremot på att variablerna inte mäter samma sak. Genom att ta reda på toleransnivån och VIF-värdet (variance inflation factor) kunde multikollinearitet definieras. Toleransvärdet bör inte understiga 0,10 och VIF-värdet bör inte överstiga 10 (Hair et al. 2010).

3.7.3.2 ANOVA

För att analysera variansen i variablerna tillämpandes ANOVA (Analysis Of Variance) som är bland de mest vedertagna modellerna inom kvantitativ forskning. Modellen mäter, på ett simultant sätt, variansen mellan variablerna och får på så vis fram genomsnittliga differenser. Vidare skapas underlag för att urskilja huruvida det finns en varians mellan variablerna beroende på andra variabler som de ställs mot eller om de är statistiskt signifikanta (Tarlow 2016). I ANOVA-tabellen kunde det utläsas om respektive modell som helhet var statistiskt signifikant, vilket innebar att en fortskridning av analysen kunde genomföras.

3.7.3.3 Model summary

I Model summary visas värdet av R2 som beskriver hur mycket av den beroende variabeln som förklaras totalt av alla oberoende variabler. Adjusted R2 är det justerade värdet av R2 och är mer trovärdigt när ett litet urval är involverat, eftersom R2 tenderar att övervärdera det faktiska värdet. Procentantalet anger i vilken utsträckning variationen i den beroende variabeln som kan förklaras av den oberoende variabeln. Här kan även måttet R change utläsas som visar

skillnaden i sambandet när den utavalda oberoende variablen har adderats i Modell 2 (Pallant 2011).

3.7.3.4 Koefficientstabellen

Koefficientstabellen visar vilka av de oberoende variablerna som är signifikanta. Vidare undersöks Beta-värdena för de signifikanta oberoende variablerna. Betavärdet anger de specifika oberoende variablernas effekt när andra oberoende variabler exkluderats, med andra ord hur den separata oberoende variabeln bidrar till sambandet. Om dessa är väldigt små är relationen inte särskilt stark, trots att variablerna har visat sig vara signifikanta (Pallant 2011; Ghauri & Grønhaug 2005). Signifikansnivån i denna tabell påvisar sambandets styrka vilket avgör om hypotesen förkastas eller accepteras och utgår från följande riktlinjer: <0.05(signifikans) <0.01(stark signifikans) <0.001 (mycket stark signifikans).

3.7.3.5 Cronbach’s alpha

Vid mätning av reliabilitet användens analysmodellen Cronbach’s alpha. Som tidigare nämnt bör koefficienten överstiga värdet 7, men bör fördelaktigt uppnå värdet 8 för att styrka reliabiliteten (Pallant 2011). I studiens fall visade utfallet att samtliga variabler översteg värdet 7.